基于视频的商场人群行为识别研究
| 内容摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-22页 |
| 1.1 课题研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 人群行为识别的研究现状 | 第12-14页 |
| 1.2.2 人群行为识别的研究框架 | 第14-17页 |
| 1.3 论文主要内容 | 第17-19页 |
| 1.4 论文结构安排 | 第19-20页 |
| 1.5 本章小结 | 第20-22页 |
| 第2章 前景目标检测技术 | 第22-42页 |
| 2.1 本章引言 | 第22页 |
| 2.2 常见几种目标检测算法 | 第22-25页 |
| 2.2.1 帧差法 | 第22-23页 |
| 2.2.2 光流法 | 第23-24页 |
| 2.2.3 背景减除法 | 第24-25页 |
| 2.3 背景建模算法 | 第25-33页 |
| 2.3.1 平均背景模型 | 第25页 |
| 2.3.2 单高斯背景模型 | 第25-26页 |
| 2.3.3 混合高斯背景模型 | 第26-28页 |
| 2.3.4 码本模型 | 第28-33页 |
| 2.4 基于HOG特征的行人检测算法 | 第33-37页 |
| 2.4.1 提取HOG特征向量 | 第34-37页 |
| 2.4.2 检测识别行人 | 第37页 |
| 2.5 本文算法 | 第37-41页 |
| 2.6 本章小结 | 第41-42页 |
| 第3章 运动目标跟踪技术 | 第42-53页 |
| 3.1 本章引言 | 第42页 |
| 3.2 运动目标跟踪的分类 | 第42-43页 |
| 3.3 常见几类运动目标跟踪算法 | 第43-44页 |
| 3.3.1 基于特征的目标跟踪算法 | 第43页 |
| 3.3.2 基于区域的目标跟踪算法 | 第43页 |
| 3.3.3 基于模型的目标跟踪算法 | 第43-44页 |
| 3.3.4 基于滤波器的目标跟踪算法 | 第44页 |
| 3.3.5 基于光流场的目标跟踪算法 | 第44页 |
| 3.4 光流法介绍 | 第44-50页 |
| 3.4.1 光流定义 | 第45页 |
| 3.4.2 Horn-Schunck光流法 | 第45-46页 |
| 3.4.3 Lucas-Kanade光流法 | 第46-47页 |
| 3.4.4 基于图像金字塔的LK光流法 | 第47-50页 |
| 3.5 实验结果与分析 | 第50-52页 |
| 3.6 本章小结 | 第52-53页 |
| 第4章 目标分类算法 | 第53-64页 |
| 4.1 本章引言 | 第53页 |
| 4.2 机器学习 | 第53-55页 |
| 4.2.1 机器学习概述 | 第53-54页 |
| 4.2.2 机器学习方法分类 | 第54-55页 |
| 4.3 k-均值聚类算法 | 第55-57页 |
| 4.3.1 k-均值聚类算法的基本原理 | 第55页 |
| 4.3.2 k-均值聚类算法的实现 | 第55-56页 |
| 4.3.3 k-均值聚类算法评价 | 第56-57页 |
| 4.4 支持向量机SVM分类算法 | 第57-60页 |
| 4.4.1 支持向量机SVM原理 | 第57页 |
| 4.4.2 最优分类面 | 第57-59页 |
| 4.4.3 核函数 | 第59-60页 |
| 4.4.4 训练和分类 | 第60页 |
| 4.4.5 支持向量机SVM分类算法评价 | 第60页 |
| 4.5 本文人群特征点分组算法 | 第60-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第5章 商场人群行为识别 | 第64-75页 |
| 5.1 本章引言 | 第64页 |
| 5.2 商场人群正常行为特征描述 | 第64-69页 |
| 5.2.1 三种人群正常行为 | 第64-65页 |
| 5.2.2 人群行为特征提取 | 第65-69页 |
| 5.3 支持向量机SVM分类器训练与识别 | 第69-71页 |
| 5.3.1 支持向量机SVM的多类分类问题 | 第69-70页 |
| 5.3.2 训练与识别 | 第70-71页 |
| 5.4 商场人群正常行为识别实验 | 第71-73页 |
| 5.4.1 OpenCV介绍 | 第72页 |
| 5.4.2 实验结果与分析 | 第72-73页 |
| 5.5 本章小结 | 第73-75页 |
| 第6章 总结与展望 | 第75-77页 |
| 6.1 总结 | 第75-76页 |
| 6.2 展望 | 第76-77页 |
| 参考文献 | 第77-80页 |
| 后记 | 第80页 |
